ARC-AGI-3 - бенчмарк,показал неприятную для всей индустрии вещь: даже топовые frontier-модели сейчас набирают меньше 1%. Лучшие результаты на старте такие: - Gemini 3.1 Pro Preview - 0.37% - GPT-5.4 High - 0.26% - Opus 4.6 Max - 0.25% И это, пожалуй, главный вывод. ARC-AGI-3 - это уже не набор статичных головоломок, как в прошлых версиях ARC. Теперь это интерактивные игровые миры, где агенту нужно самому разбираться, что вообще происходит. Что именно проверяет новый тест: - исследование незнакомой среды с нуля - поиск целей и правил без текстовых инструкций - построение своей модели мира по ходу задачи - длинное планирование на много шагов вперёд - обучение на опыте, а не по шаблону - пересмотр гипотез, если первые догадки оказались неверными То есть здесь уже мало просто "хорошо рассуждать в чате". Нужно адаптироваться в реальном времени, помнить прошлые действия, извлекать сигналы из слабой обратной связи и не скатываться в перебор. Внутри ARC-AGI-3: - 150+ новых интерактивных окружений - почти 1 000 уровней - replay-сессии, где можно смотреть весь таймлайн решений агента Скоринг считает не только факт решения, а то, насколько эффективно модель осваивает навык по сравнению с человеком. Именно поэтому результаты выглядят настолько жёстко. По сути, ARC Prize говорит прямо: пока между человеком и ИИ есть такой разрыв в освоении новых задач, говорить о настоящем AGI рано. И это, возможно, один из самых честных тестов за последнее время. Не потому что модели "слабые". А потому что реальная универсальная адаптация всё ещё не решена. https://arcprize.org/ 🐍 полезные ресурсы 🚀Max @data_analysis_ml